c.    高速公路弯道识别算法
道路检测是智能汽车辅助驾驶系统中很重要的一部分,其中包括弯道检测和车道线分割等方面。道路检测、障碍物检测和防撞安全行驶是一个完整的智能汽车辅助驾驶系统中必不可少的部分。其中道路检测又包括多个部分,比如:道路区域分割、车道线检测、弯道检测、障碍物检测等。每一个部分之间既相对独立,又相互制约。每个部分的算法的改进都对系统的识别精度和健壮性的提高具有积极的现实意义。其中的两个重要部分是车道线检测和弯道检测,这两者对于道路区域分割和障碍物的粗略定位来说是不可缺少的前提。在高速公路的环境下，一般的算法是通过对白色分道线的识别,再以车道线的走向进一步识别弯道的方向。通过对摄像机采集的图像进行处理,分割提取出车道线,再根据车道线的走向识别出车道的转向(左弯、右弯),这是报告道路的转向以及粗略定位前方车辆的关键。通过大量的现场实验,刘涛,黄席樾等人[7]提出了一种有效的弯道识别算法,该算法利用了区域生长和曲线拟合的方法。
d.    基于自适应道路形状模型的道路检测
美国的西奥等人[5]提出了一种基于自适应道路形状模型的道路检测算法，道路几何图形是典型的道路成分的离散化,包括急转弯(左和右),慢转弯(左和右),直路,不同的交通组成(如：交叉口或隧道)。道路几何分类是基于学习包含不同道路几何图形的训练图像所对应的模型(此后,道路形状模型)。为了提供相关语义信息关于图像中道路所在的位置，这些道路形状模型被定义为描述典型的道路几何图形(如：右转,左转,直)。令人惊讶的是,通过场景分类得到的道路形状模型到目前为止很大程度上被忽视。有算法曾提出过道路形状模型，在那个算法中,图像是在全局范围描述(即：使用密集抽样)利用尺度不变特征变换在对立的颜色空间内减少光线变化带来的影响。然而,该算法丢弃的所有关于空间布局特征的信息并且展示出有限的性能来区分不同的道路模型。此外,该算法假设连续帧是独立的，没有利用图像序列中相邻图像相关性的可能。
因此,西奥等人提出一个新颖的以道路检测为目的的道路分类系统。分类器来源于使用空间金字塔的词袋方法,即是一个基于聚合统计固定条件下局部特征的全局图像描述因为空间金字塔在固定条件不能封装公路段,他们提出了一个自适应形状模型,空间金字塔由道路图像固有的空间结构所指导。特别是,他们考虑到地平线引导空间金字塔的布局。这种方式,空间金字塔调整镶嵌细工网格来适应图像布局。因此,这种分类系统采用的自适应形状模型由图像的内在结构导出。此外，光照变化的健壮性通过使用（基于物理的）光源不变特征空间来实现。
使用了自适应道路形状模型的道路几何分类直接应用在检测行驶车辆前的路面。推断出道路几何形状为图像中道路的位置提供了相关的初始信息。他们提出的基于自适应道路形状模型的道路检测算法结合了道路几何形状分类提供的道路信息和低级道路检测算法提供的像素级信息。这个系统采用了自适应形状模型，即空间金字塔由图像固有的空间结果控制。为了进一步减小光照变化的影响，采用了不变特征和时间信息。大规模的实验表明,该道路几何分类器的效益最高识别率73.57%±13.1,明显优于其他先进方法。包括在现有基于外观的方法上利用道路形状信息改进道路检测结果。不变特征和时间信息提供了在干扰图像条件下的健壮性。 道路检测技术国内外研究现状(2):http://www.751com.cn/yanjiu/lunwen_16613.html